自主监督的大脑病变生成,以有效增强医疗图像的数据
Jiayu Huo1, Sébastien Ourselin1, Rachel Sparks1
1School of Biomedical Engineering and Imaging Sciences (BMEIS), King's College London, London, UK.
概括
这项研究引入了一种新框架,用于生成合成脑损伤图像,以改善人工智能模型的训练,以实现精确的损伤细分,提高诊断能力.
科学领域:
- 医疗图像分析 医学图像分析
- 医学中的人工智能
- 神经科学是一个神经科学.
背景情况:
- 准确的脑损伤划分对于神经外科规划至关重要.
- 卷积神经网络 (CNN) 在自动脑损伤细分方面表现有前途.
- 大量的,注释良好的数据集的有限可用性限制了CNN的性能.
研究的目的:
- 开发一个全面的框架来生成合成训练数据,以改进脑损伤细分模型.
- 为了应对数据稀缺的挑战,培训用于医学成像的深度学习模型.
主要方法:
- 使用对抗性自编码器的自我监督的病变发生器被训练来模拟病变的外观和形状.
- 一个新的软鱼混合算法用于将合成病变无整合到脑图像中.
- 引入了原型一致性规范化,以调整真实和合成特征,以便有效的模型训练.
主要成果:
- 拟议的框架显著改善了ATLAS v2.0和Shift MS数据集上的脑病变细分性能.
- 与传统数据增强相比,该方法在ATLAS v2.0数据集上的Dice得分从50.36%提高到60.23%.
- 该框架的性能优于现有的脑图像数据增强方案.
结论:
- 开发的框架为增强脑损伤数据集提供了一种有效的方法.
- 这种方法有效地提高了自动脑损伤细分模型的准确性.
- 这项工作有助于推进用于神经外科治疗计划的AI驱动工具.
